Extract Transform Load

นิยาม

Extract Transform Load (ETL) คือกระบวนการที่ทีมข้อมูลของร้านค้าออนไลน์หรือธุรกิจ DTC ใช้เพื่อ "ย้าย" ข้อมูลจากหลายแหล่งที่มา มารวมไว้ในที่เดียว โดยผ่าน 3 ขั้นตอนหลัก ได้แก่

1. Extract (สกัด) — ดึงข้อมูลดิบจากต้นทาง เช่น ระบบหลังบ้าน Shopify, Lazada Seller Center, TikTok Shop, ฐานข้อมูล CRM, ไฟล์ CSV จากผู้ให้บริการขนส่ง หรือ API ของ Payment Gateway

2. Transform (แปลง) — ทำความสะอาด ปรับรูปแบบ รวมข้อมูล และคำนวณตัวชี้วัดใหม่ เช่น การแปลงวันที่เป็นรูปแบบเดียวกัน การรวมคำสั่งซื้อซ้ำจากหลายช่องทาง หรือการคำนวณ ROAS จากค่าใช้จ่ายโฆษณา

3. Load (โหลด) — นำข้อมูลที่แปลงแล้วไปเก็บใน Data Warehouse เช่น BigQuery, Snowflake หรือ Redshift เพื่อให้ทีมวิเคราะห์และทีมการตลาดดึงไปใช้ต่อ

พูดง่าย ๆ ETL คือ "ท่อส่งข้อมูล" ที่เปลี่ยนข้อมูลกระจัดกระจายให้กลายเป็นข้อมูลที่เชื่อถือได้สำหรับการตัดสินใจ

ETL เหมือนครัวกลางของแบรนด์ DTC

ลองนึกภาพคุณเปิดแบรนด์เสื้อผ้าออนไลน์ มีออเดอร์เข้ามาจาก 4 ช่องทาง: เว็บไซต์ตัวเอง, Shopee, TikTok Shop และ LINE MyShop

- Extract = พนักงานเก็บออเดอร์วิ่งไปรับใบสั่งซื้อจากทุกช่องทาง

- Transform = ครัวกลางที่ล้างวัตถุดิบ หั่นเป็นชิ้นเดียวกัน ปรุงรสให้มาตรฐานเดียว (เช่น รวมชื่อลูกค้า "คุณสมชาย" กับ "คุณ สมชาย" ให้เป็นคนเดียวกัน)

- Load = จัดจานใส่ตู้เย็นแยกชั้นตามหมวด เพื่อให้พนักงานเสิร์ฟ (ทีมวิเคราะห์) หยิบไปใช้ได้ทันที

ถ้าไม่มีครัวกลาง ทุกแผนกจะทำอาหารของตัวเอง ใช้สูตรต่างกัน และได้รสชาติไม่เหมือนกัน — นั่นคือปัญหา "ข้อมูลไม่ตรงกัน" ที่ทีม DTC เจอบ่อยที่สุด

สูตรและตัวเลขที่เกี่ยวข้อง

1. อัตราความสมบูรณ์ของข้อมูลหลัง Transform

Data Completeness Rate = (จำนวนเรคคอร์ดที่ผ่านการตรวจสอบ / จำนวนเรคคอร์ดทั้งหมด) × 100

ตัวอย่าง: ถ้าดึงออเดอร์มา 50,000 เรคคอร์ด และผ่านการตรวจสอบ 48,500 เรคคอร์ด

(48,500 / 50,000) × 100 = 97%

2. ต้นทุนต่อการโหลด 1,000 เรคคอร์ด

Cost per 1K Records = ค่าใช้จ่ายรวมของ Pipeline / (จำนวนเรคคอร์ดที่โหลด ÷ 1,000)

ตัวอย่าง: ค่าใช้จ่าย 3,000 บาท โหลด 600,000 เรคคอร์ด

3,000 / (600,000 / 1,000) = 5 บาทต่อ 1,000 เรคคอร์ด

3. ความหน่วงของข้อมูล (Data Latency)

Latency = เวลาที่ข้อมูลถึง Warehouse − เวลาที่เกิดเหตุการณ์จริง

ตัวอย่าง: ลูกค้าสั่งซื้อเวลา 14:00 น. ข้อมูลเข้าคลังเวลา 14:45 น.

Latency = 45 นาที

สำหรับร้าน DTC ที่ยิงแอดแบบ Real-time ควรมี Latency ไม่เกิน 60 นาที เพื่อปรับงบโฆษณาได้ทัน

ตารางเปรียบเทียบ: ETL vs ELT vs Batch vs Streaming

: ETL ใช้จริงในธุรกิจ DTC/อีคอมเมิร์ซ

1. รวมยอดขายหลายแพลตฟอร์ม

ร้าน DTC ที่ขายทั้ง Shopee, Lazada, TikTok Shop และเว็บตัวเอง ต้องดึงออเดอร์จากทุกแพลตฟอร์มมาไว้ในที่เดียว เพื่อดูยอดขายรวมที่แท้จริง ไม่ใช่ดูแยกทีละแพลตฟอร์มแล้วเข้าใจผิดว่าขาดทุน

2. คำนวณ ROAS และ CAC แบบแม่นยำ

ดึงค่าใช้จ่ายจาก Facebook Ads, Google Ads, TikTok Ads มา Join กับยอดขายจาก Order Management System เพื่อคำนวณ ROAS ต่อแคมเปญ ต่อ SKU

3. วิเคราะห์พฤติกรรมลูกค้าข้ามช่องทาง

รวมประวัติการซื้อจากทุกช่องทางเข้าด้วยกัน เพื่อดูว่า "ลูกค้าคนนี้ซื้อครั้งแรกจาก TikTok แล้วกลับมาซื้อซ้ำที่เว็บ" ซึ่งช่วยกำหนดกลยุทธ์ CRM ได้ตรงจุด

4. จัดการสต็อกและพยากรณ์ความต้องการ

ดึงข้อมูลสต็อกจาก WMS รวมกับยอดขายย้อนหลัง 30/60/90 วัน เพื่อพยากรณ์ว่าสินค้าไหนต้องเติมเมื่อไหร่ ลดปัญหาของค้างสต็อกหรือของขาด

(ข้อเข้าใจผิดที่พบบ่อย)

1. คิดว่า ETL คือเรื่องของทีม IT เท่านั้น

จริง ๆ แล้วทีมการตลาดและทีม Merchandising ต้องมีส่วนกำหนดว่า "Transform อะไร" เพราะตัวชี้วัดที่ใช้ตัดสินใจ เช่น ROAS, AOV, Repeat Rate ต้องถูกนิยามให้ตรงกันตั้งแต่ต้น

2. โหลดข้อมูลดิบเข้า Warehouse แล้วจบ

ถ้าไม่ Transform ข้อมูลจะเต็มไปด้วยค่า Null, วันที่รูปแบบต่างกัน, ชื่อลูกค้าซ้ำ การวิเคราะห์จะผิดพลาดทันที ควรมี Data Quality Check ทุกครั้งก่อน Load

3. ไม่สนใจ Latency

ร้านที่ยิงแอดวันละ 50,000 บาท แล้วดูข้อมูลช้ากว่า 24 ชั่วโมง เท่ากับเสียโอกาสปรับแคมเปญไปแล้ว 1 วันเต็ม ๆ

4. ทำ Pipeline แล้วไม่ Monitor

Pipeline ล่มเงียบ ๆ ทำให้ Dashboard แสดงตัวเลขเดิมซ้ำ ควรตั้ง Alert เมื่อข้อมูลไม่เข้าเกิน 2 ชั่วโมง

5. รวมข้อมูลโดยไม่คำนึงถึง PDPA

การรวมข้อมูลลูกค้าจากหลายแหล่งต้องมี Consent และการเข้ารหัสข้อมูลส่วนบุคคลตามกฎหมายไทย

##

- ELT (Extract Load Transform) — โหลดก่อนแปลง เหมาะกับ Cloud Warehouse สมัยใหม่

- Data Warehouse — คลังข้อมูลกลาง เช่น BigQuery, Snowflake

- Data Lake — ที่เก็บข้อมูลดิบขนาดใหญ่ เช่น S3, GCS

- Data Pipeline — ชุดกระบวนการเคลื่อนย้ายข้อมูลอัตโนมัติ

- dbt (Data Build Tool) — เครื่องมือ Transform ยอดนิยมในทีม Data สมัยใหม่

- Airflow — เครื่องมือ Orchestration จัดคิวงาน ETL

- CDC (Change Data Capture) — จับการเปลี่ยนแปลงข้อมูลแบบ Real-time

- Data Quality — ความถูกต้อง ครบถ้วน และสม่ำเสมอของข้อมูล

- Single Source of Truth (SSOT) — แหล่งข้อมูลเดียวที่ทุกทีมเชื่อถือได้

การเข้าใจ ETL อย่างลึกไม่ได้ช่วยแค่ให้ Dashboard สวยขึ้น แต่ช่วยให้ทุกทีมในธุรกิจ DTC ตัดสินใจบนข้อมูลชุดเดียวกัน ลดการเถียงกันว่า "ตัวเลขใครถูก" และเพิ่มความเร็วในการปรับกลยุทธ์ตามตลาดที่เปลี่ยนทุกวัน